[論文レビュー] Fully convolutional networks for structural health monitoring through multivariate time series classification

Luca Rosafalco, Andrea Manzoni+2 more|arXiv (Cornell University)|Feb 12, 2020

Structural Health Monitoring Techniques参考文献 41被引用数 54

ひとこと要約

本論文は、SHM（構造健全性モニタリング）における多変量時系列からの損傷を検出・局在化するための、Fully Convolutional Networksを用いたシミュレーションベースの分類手法を提案します。物理ベースのデジタルツインでオフライン学習を行い、最大で95%の正確な損傷分類を達成します。

ABSTRACT

We propose a novel approach to Structural Health Monitoring (SHM), aiming at the automatic identification of damage-sensitive features from data acquired through pervasive sensor systems. Damage detection and localization are formulated as classification problems, and tackled through Fully Convolutional Networks (FCNs). A supervised training of the proposed network architecture is performed on data extracted from numerical simulations of a physics-based model (playing the role of digital twin of the structure to be monitored) accounting for different damage scenarios. By relying on this simplified model of the structure, several load conditions are considered during the training phase of the FCN, whose architecture has been designed to deal with time series of different length. The training of the neural network is done before the monitoring system starts operating, thus enabling a real time damage classification. The numerical performances of the proposed strategy are assessed on a numerical benchmark case consisting of an eight-story shear building subjected to two load types, one of which modeling random vibrations due to low-energy seismicity. Measurement noise has been added to the responses of the structure to mimic the outputs of a real monitoring system. Extremely good classification capacities are shown: among the nine possible alternatives (represented by the healthy state and by a damage at any floor), damage is correctly classified in up to 95% of cases, thus showing the strong potential of the proposed approach in view of the application to real-life cases.

研究の動機と目的

• 構造健全性モニタリングにおける損傷検出と局在化を分類問題として定式化する。
• 異なる長さの多変量時系列を扱えるFCNベースのアーキテクチャを開発する。
• さまざまな荷重下での損傷シナリオをシミュレートするため、物理ベースのデジタルツインを用いてオフラインで分類器を訓練する。
• 訓練済みFCNを用いてオンライン監視時にリアルタイムの損傷分類を可能にする。

提案手法

• 分類のために、3つの畳み込みブロック、バッチ正規化、ReLU、およびソフトマックスによる分類を行うグローバルプーリングを備えた完全畳み込みネットワークを用いる。
• 別々の畳み込みブランチを用いて複数のデータソースを扱い、特徴を結合層を介して融合する。
• 2つの分類器を訓練する：G_dは損傷検出（健常 vs 損傷）用、G_lは損傷局在化（階ごとの損傷、健全状態を含む）用。
• 実測に近づけるために、加法的センサー雑音を付加した単純化された物理ベースの構造モデルから訓練・検証・テストデータセットを構築する。
• 最終分類前にデータ融合を適用し、W個の多変量系列を作成することで、異なる長さの時系列を許容する。
• Adamを用いたクロスエントロピー損失で最適化し、学習率スケジューリングと早期停止基準を適用する。

実験結果

リサーチクエスチョン

• RQ1 さまざまな荷重条件下で、多変量時系列から健常状態と損傷状態をFCNが信頼性高く識別できるか？
• RQ2 FCNベースのアプローチは構造内の特定の階に損傷を局在化できるか？
• RQ3 測定ノイズや異なる時系列長さに対する手法のロバスト性はどの程度か？
• RQ4 オフラインで訓練されたモデルはオンライン監視で未見の荷重シナリオに一般化できるか？

主な発見

• 損傷分類の精度は、健常または任意の階での損傷を含む9つの可能状態で最大95%に達する。
• FCNアーキテクチャは、別々のブランチと融合を通じて異なる長さの多変量時系列を効果的に扱う。
• 数値ベンチマーク（8階建てシアリングビルディング）では、ノイズ増強データ下で極めて良好な分類性能が示された。
• オフライン訓練はデジタルツインを用いて多様な損傷・荷重シナリオを生成し、展開後のリアルタイムなオンライン分類を可能にする。
• 本手法はFCNを用いて識別的特徴を自動的に抽出し、設計された特徴量のエンジニアリングの必要性を低減する。